DE112019004261T5 - Analysis and correction of the supply chain design through machine learning - Google Patents
Analysis and correction of the supply chain design through machine learning Download PDFInfo
- Publication number
- DE112019004261T5 DE112019004261T5 DE112019004261.0T DE112019004261T DE112019004261T5 DE 112019004261 T5 DE112019004261 T5 DE 112019004261T5 DE 112019004261 T DE112019004261 T DE 112019004261T DE 112019004261 T5 DE112019004261 T5 DE 112019004261T5
- Authority
- DE
- Germany
- Prior art keywords
- data
- machine learning
- lead
- historical
- lead time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Ein dynamisches Lieferketten-Planungssystem zur Analyse historischer Vorlaufzeit-Daten, das Machine-Learning-Algorithmen verwendet, um zukünftige Vorlaufzeiten basierend auf historischen Vorlaufzeit-Daten vorherzusagen und um historische Vorlaufzeit-Daten in Cluster zu unterteilen, die auf Saisonalität und Linearität basieren. Die Ergebnisse des Machine Learnings werden weiterhin verarbeitet, um zukünftige geplante Vorlaufzeiten anzupassen und Quellen in der Lieferkette zu identifizieren, die zu großen Abweichungen zwischen historischen geplanten Vorlaufzeiten und tatsächlichen Vorlaufzeiten beitragen. A dynamic supply chain planning system for analyzing historical lead time data that uses machine learning algorithms to predict future lead times based on historical lead time data and to divide historical lead time data into clusters based on seasonality and linearity. The results of the machine learning continue to be processed to adjust future planned lead times and to identify sources in the supply chain that contribute to large deviations between historical planned lead times and actual lead times.
Description
TECHNISCHER BEREICHTECHNICAL PART
Die vorliegende Offenlegung bezieht sich im Allgemeinen auf das Lieferketten-Management und insbesondere auf die Anpassung der Lieferkettenplanung basierend der Analyse der historischen Lieferketten-Management-Leistung.This disclosure relates generally to supply chain management and, more particularly, to adjusting supply chain planning based on analysis of historical supply chain management performance.
HINTERGRUNDBACKGROUND
Trotz des technischen Fortschritts besteht immer noch eine große Kluft zwischen der Gestaltung einer Lieferkette und ihrem tatsächlichen Betrieb. Eine Lieferkette ist ein komplexes System, da sie viele voneinander abhängige Komponenten beinhaltet. Ein Problem mit einer einzelnen Komponente (z. B. ein chronisch verspäteter Lieferant) - oder mehreren - kann sich auf die gesamte Lieferkette auswirken und zu Effizienz- und Umsatzverlusten führen. Daher ist es von Vorteil, die tatsächlichen Leistungsfähigkeiten einer Lieferkette genau zu messen, sie mit der ursprünglichen Gestaltung zu vergleichen und gegebenenfalls systematische Korrekturen vorzunehmen. Darüber hinaus wäre es hilfreich, eine tiefgreifende Analyse der Abweichungen von der ursprünglichen Gestaltung durchzuführen, um die Ursachen für diese Diskrepanzen zu identifizieren und dadurch eine langfristige Lösung zu finden und so die Geschäftsmetriken zu verbessern (z. B. Umsatz, Kundenzufriedenheit, Gesamtbestand, etc.).Despite technological advances, there is still a large gap between how a supply chain is designed and how it actually operates. A supply chain is a complex system because it contains many interdependent components. A problem with a single component (e.g. a chronically delayed supplier) - or several - can affect the entire supply chain and lead to losses in efficiency and revenue. It is therefore advantageous to precisely measure the actual capabilities of a supply chain, compare them with the original design and, if necessary, make systematic corrections. In addition, it would be helpful to conduct an in-depth analysis of the deviations from the original design in order to identify the causes of these discrepancies and thereby find a long-term solution and thus improve the business metrics (e.g. sales, customer satisfaction, total inventory, etc.) .).
Eine Reihe von Veröffentlichungen diskutieren die prädiktive Analyse von Geschäftsmetriken basierend auf der Analyse historischer Daten (einschließlich Machine-Learning).A number of publications discuss predictive analysis of business metrics based on the analysis of historical data (including machine learning).
Die U.S. Pub. Nr. 2008/0065436 A1 offenbart Verfahren, Systeme und Computerprogrammprodukte zur Unterstützung der Lieferketteneinrichtung- Leistungsanalyse. Das Verfahren umfasst die Identifizierung von Variablen, die mit der Leistung von Lieferketteneinrichtungen in Zusammenhang stehen, und eine Analyse der Leistung davon unter Verwendung von Standarddateneinhüll-Analyse, statistischer Analyse und Sensitivitätsanalyse. Leistungsrankings der Lieferketteneinrichtungen werden berechnet, während ein Vorschlag zur Leistungsverbesserung bereitgestellt wird.The U.S. Pub. No. 2008/0065436 A1 discloses methods, systems and computer program products for supporting supply chain establishment performance analysis. The method includes identifying variables associated with the performance of supply chain facilities and analyzing the performance thereof using standard data envelope analysis, statistical analysis, and sensitivity analysis. Supply chain facility performance rankings are calculated while a suggestion for performance improvement is provided.
Die
Das U.S. Patent. Nr.
Das
Das
Berlec, T. et al. stellen in ihrer Arbeit „Predicting Order Lead Time“ (J. of Mech. Eng., 54 (2008)5, 308-321) ein Verfahren vor, bei dem die zu erwartenden Vorlaufzeiten der geplanten Aufträge eines Unternehmens auf Basis der tatsächlichen Vorlaufzeiten der in der Vergangenheit bearbeiteten Aufträge vorhergesagt werden. Das Verfahren liefert eine empirische Verteilung der möglichen Vorlaufzeiten für den neuen Auftrag, die dann zur Vorhersage der wahrscheinlichsten Vorlaufzeit eines neuen Auftrags verwendet wird.Berlec, T. et al. present in their work "Predicting Order Lead Time" (J. of Mech. Eng., 54 (2008) 5, 308-321) a method in which the expected lead times of the planned orders of a company are based on the actual lead times of the orders processed in the past can be predicted. The method provides an empirical distribution of the possible lead times for the new order, which is then used to predict the most likely lead time of a new order.
Lingitz, L. et al. offenbaren in ihrem Artikel „Lead time prediction using machine learning algorithms: a case study by a semiconductor manufacturer“ (Science Direct, Procedia CIRP 72 (2018), 1051-1056), eine Untersuchung von Verfahren zur Vorlaufzeit-Vorhersage für die Halbleiterfertigung. Es werden überwachte maschinelle Lernansätze für die Vorlaufzeit-Vorhersage verwendet, die auf historischen Produktionsdaten basieren, die aus Fertigungsausführungssystemen gewonnen wurden. Regressionsalgorithmen werden auf ihre Wirkung zur Erhöhung der Genauigkeit der Vorlaufzeit-Vorhersage untersucht.Lingitz, L. et al. disclose in their article "Lead time prediction using machine learning algorithms: a case study by a semiconductor manufacturer" (Science Direct, Procedia CIRP 72 (2018), 1051-1056), an investigation of methods for lead time prediction for semiconductor manufacturing. Supervised machine learning approaches are used for lead time prediction based on historical production data obtained from manufacturing execution systems. Regression algorithms are examined for their effect on increasing the accuracy of the lead time prediction.
Die Vorlaufzeit ist eine wichtige Kennzahl in der Lieferkette, die einen erheblichen Einfluss auf die Bestandskosten und den verspäteten Umsatz in Lieferketten hat. Ungenaue Planungsparameter für die Vorlaufzeit können zu erheblicher Ineffizienz in der Lieferkette und zu Kostenüberschreitungen führen. Aufgrund der großen Menge und Variabilität von Daten in Bezug auf Vorlaufzeiten ist es eine Herausforderung, Abweichungen in den Vorlaufzeiten, die in den Lieferplanungsdaten verwendet werden, durch konventionelle Liefermanagement-Tools zu erkennen und zu korrigieren. Nichtsdestotrotz ist eine solche Analyse wichtig, um die Leistung und Effizienz des Lieferkettenmanagements zu verbessern.Lead time is an important metric in the supply chain that has a significant impact on inventory costs and delayed sales in supply chains. Inaccurate planning parameters for the lead time can lead to significant inefficiency in the supply chain and cost overruns. Due to the large amount and variability of data in terms of lead times, it is challenging to identify and correct discrepancies in lead times used in the delivery planning data through conventional delivery management tools. Nonetheless, such analysis is important to improve the performance and efficiency of supply chain management.
SUMMARYSUMMARY
In Übereinstimmung mit einer Ausführungsform umfasst ein dynamisches Lieferketten-Planungssystem:
- eine Datenbank, die historische Vorlaufzeit-Daten, die sich auf eine Lieferkette beziehen; einen Machine-Learning-Server umfassend einen Machine-Learning-Dienst, wobei der Machine-Learning-Server in Kommunikation mit einer Datenbank steht; das Datenvorbereitungsmodul in Kommunikation mit der Datenbank steht, um die historischen Vorlaufzeit-Daten zu erhalten; das Datenvorbereitungsmodul die historischen Vorlaufzeit-Daten in einen verarbeiteten historischen Vorlaufzeit-Datensatz zur Verwendung durch den Machine-Learning-Dienst verarbeitet; der Machine-Learning-Dienst mindestens eines von einem Vorhersagemodul und einem Clustermodul umfasst; das Vorhersagemodul konfiguriert ist, um zukünftige Vorlaufzeiten der Versorgungskette basierend auf dem verarbeiteten historischen Vorlaufzeit-Datensatz vorherzusagen; das Clustermodul konfiguriert ist, um eine Vielzahl von Clustern basierend auf vordefinierten Merkmalen bereitzustellen; und
- der Machine Learning Server die zukünftigen Vorlaufzeiten und die Vielzahl von Clustern in die Datenbank hochlädt.
- a database containing historical lead time data related to a supply chain; a machine learning server comprising a machine learning service, the machine learning server being in communication with a database; the data preparation module is in communication with the database to obtain the historical lead time data; the data preparation module processes the historical lead time data into a processed historical lead time data set for use by the machine learning service; the machine learning service comprises at least one of a prediction module and a cluster module; the prediction module is configured to predict future supply chain lead times based on the processed historical lead time data set; the cluster module is configured to provide a plurality of clusters based on predefined characteristics; and
- the machine learning server uploads the future lead times and the large number of clusters to the database.
In einigen Ausführungsformen teilt das Vorhersagemodul die verarbeiteten historischen Vorlaufzeit-Daten in einen ersten Teil von Datenpunkten und einen zweiten Teil von Datenpunkten auf, wobei der erste Teil aus mehr als 50% der Datenpunkte besteht und der zweite Teil aus weniger als 50% der Datenpunkte besteht; trainiert jeden einer Vielzahl von Machine Learning-Vorhersage-Algorithmen auf dem ersten Teil, und testet anschließend jeden der Vielzahl von Machine Learning-Vorhersage-Algorithmen auf dem zweiten Teil; wählt denjenigen Machine Learning-Vorhersage-Algorithmus aus, der eine größte Genauigkeit beim Testen des zweiten Teils aufweist; und trainiert den ausgewählten Machine Learning-Vorhersage-Algorithmus erneut auf den verarbeiteten historischen Vorlaufzeit-Daten.In some embodiments, the prediction module divides the processed historical lead time data into a first part of data points and a second part of data points, the first part consisting of more than 50% of the data points and the second part consisting of less than 50% of the data points ; trains each of a plurality of machine learning prediction algorithms on the first part, and then tests each of the plurality of machine learning prediction algorithms on the second part; selects the machine learning prediction algorithm that has the greatest accuracy when testing the second part; and retrains the selected machine learning prediction algorithm on the processed historical lead time data.
In einigen Ausführungsformen besteht der erste Teil aus 51%-80% der Datenpunkte und der zweite Teil aus 20%-49% der Datenpunkte, so dass der erste und der zweite Teil insgesamt 100% der Datenpunkte ausmachen.In some embodiments, the first part consists of 51% -80% of the data points and the second part consists of 20% -49% of the data points, so that the first and second parts together make up 100% of the data points.
In einigen Ausführungsformen umfasst die Vielzahl der Machine-Learning-Algorithmen Adaboost Regressor, FB Prophet, lineare Regression, Mittelwert und Median.In some embodiments, the plurality of machine learning algorithms includes Adaboost Regressor, FB Prophet, Linear Regression, Mean, and Median.
In einigen Ausführungsformen erstrecken sich die historischen Vorlaufzeit-Daten über einen Zeitraum von zwei Jahren.In some embodiments, the historical lead time data spans a period of two years.
In einigen Ausführungsformen liefert das Vorhersagemodul monatliche Daten zur zukünftigen Vorlaufzeit, die auf einem monatlichen Durchschnitt der täglichen zukünftigen Vorlaufzeit-Daten basierenIn some embodiments, the prediction module provides monthly future lead time data based on a monthly average of the daily future lead time data
In einigen Ausführungsformen trennt das Clustermodul die verarbeiteten historischen Vorlaufzeit-Daten in Gruppen basierend auf einer Dichte von Datenpunkten und einer Linearität der historischen Vorlaufzeiten; führt eine Clusteranalyse basierend auf jedem der vordefinierten Merkmale innerhalb jeder Gruppe durch, wobei die vordefinierten Merkmale aus der Saisonalität und der Linearität ausgewählt werden; bereinigt jedes Cluster; und beschneidet jedes Cluster in eine Vielzahl von Subclustern.In some embodiments, the cluster module separates the processed historical lead time data into groups based on a density of data points and a linearity of the historical lead times; performs a cluster analysis based on each of the predefined characteristics within each group, the predefined characteristics being selected from seasonality and linearity; cleans up each cluster; and pruning each cluster into a multitude of sub-clusters.
In einigen Ausführungsformen umfasst das System weiter: ein Analysemodul, das mit der Datenbank kommuniziert; und eine Benutzerschnittstelle, die mit dem Analysemodul kommuniziert; wobei das Analysemodul konfiguriert ist, um: von einem Benutzer über die Benutzerschnittstelle Toleranzkriterien für die Trennung der historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen basierend auf mittleren absoluten Differenzen zwischen tatsächlichen Vorlaufzeit-Daten und historischen geplanten Vorlaufzeit-Daten zu empfangen; und
die historischen Vorlaufzeit-Daten in die Vielzahl von Toleranzzonen zu trennen. In Bezug auf das Vorhersagemodul ist das Analysemodul konfiguriert, um: zukünftige Vorlaufzeiten, die durch das Vorhersagemodul vorhergesagt wurden, aus der Datenbank zu erhalten; zukünftige geplante Vorlaufzeiten durch die zukünftigen Vorlaufzeiten, die durch das Vorhersagemodul vorhergesagt wurden, in Übereinstimmung mit einem Aktionskriterium, das durch den Benutzer für jede Toleranzzone definiert wurde, zu ersetzen. Darüber hinaus ist das Analysemodul in Bezug auf das Clustermodul konfiguriert, um: die Vielzahl von Clustern aus der Datenbank zu erhalten; die Vielzahl von Clustern gemäß der Toleranzzone jeder Gruppe zu trennen; weiterhin die Vielzahl von Clustern in Übereinstimmung mit Vorlaufzeit-Identifikatoren zu trennen; und innerhalb der getrennten Cluster die Cluster zu identifizieren, die die größten mittleren absoluten Differenzen zwischen den tatsächlichen Vorlaufzeiten und den geplanten Vorlaufzeiten aufweisen.In some embodiments, the system further comprises: an analysis module in communication with the database; and a user interface in communication with the analysis module; wherein the analysis module is configured to: receive from a user, via the user interface, tolerance criteria for separating the historical lead time data into a plurality of tolerance zones based on mean absolute differences between actual lead time data and historical planned lead time data; and
to separate the historical lead time data into the multitude of tolerance zones. With respect to the prediction module, the analysis module is configured to: obtain future lead times predicted by the prediction module from the database; to replace future planned lead times with the future lead times predicted by the prediction module in accordance with an action criterion defined by the user for each tolerance zone. In addition, with respect to the cluster module, the analysis module is configured to: obtain the plurality of clusters from the database; separate the plurality of clusters according to the tolerance zone of each group; further separating the plurality of clusters in accordance with lead time identifiers; and to identify within the separate clusters the clusters that have the largest mean absolute differences between the actual lead times and the planned lead times.
In einigen Ausführungsformen ist das Analysemodul Teil eines Rapid-Response-Planungssystems, das vor jeder aktuellen Änderung der historischen Vorlaufzeit-Daten: die Toleranzzonen verarbeitet;
zukünftige geplante Vorlaufzeiten durch die vom Vorhersagemodul in Übereinstimmung mit dem Aktionskriterium vorhergesagten zukünftigen Vorlaufzeiten ersetzt; und die Cluster identifiziert, die im Median die größten absoluten Unterschiede zwischen den tatsächlichen Vorlaufzeiten und den geplanten Vorlaufzeiten aufweisen.In some embodiments, the analysis module is part of a rapid response planning system that, before each current change to the historical lead time data: processes the tolerance zones;
replacing future planned lead times with the future lead times predicted by the prediction module in accordance with the action criterion; and identify the clusters that have the largest absolute median differences between the actual lead times and the planned lead times.
In Übereinstimmung mit einer anderen Ausführungsform umfasst ein dynamisches Lieferketten-Planungssystem:
einen Prozessor, der betreibbar ist, um Befehle auszuführen, die in einem Speicher gespeichert sind; und wobei der Speicher spezifische Befehle zum Vorhersagen zukünftiger Vorlaufzeiten der Lieferkette basierend auf historischen Vorlaufzeit-Daten enthält; wobei die Ausführung der spezifischen Befehle den Prozessor veranlasst: die historischen Vorlaufzeit-Daten von einer Datenbank zu empfangen; die historischen Vorlaufzeit-Daten durch Entfernen von Ausreißer-Daten zu verarbeiten; die verarbeiteten historischen Vorlaufzeit-Daten in einen ersten Teil von Datenpunkten und einen zweiten Teil von Datenpunkten zu teilen, wobei der erste Teil aus mehr als 50% der Datenpunkte besteht und der zweite Teil aus weniger als 50% der Datenpunkte besteht;
Trainieren jedes einer Vielzahl von Machine-Learning-Vorhersage-Algorithmen auf dem ersten Teil und anschließendes Testen jedes der Vielzahl von Machine-Learning-Vorhersage-Algorithmen auf dem zweiten Teil; Auswählen desjenigen Machine-Learning-Vorhersage-Algorithmus, der beim Testen des zweiten Teils die größte Genauigkeit aufweist; erneutes Trainieren des ausgewählten Machine-Learning-Vorhersage-Algorithmus auf den verarbeiteten historischen Vorlaufzeit-Daten; Verwenden des ausgewählten Machine-Learning-Vorhersage-Algorithmus zum Vorhersagen zukünftiger Vorlaufzeiten der Lieferkette; und Hochladen der zukünftigen Vorlaufzeiten in die Datenbank.In accordance with another embodiment, a dynamic supply chain planning system includes:
a processor operable to execute instructions stored in memory; and wherein the memory contains specific instructions for predicting future lead times of the supply chain based on historical lead time data; wherein the execution of the specific instructions causes the processor to: receive the historical lead time data from a database; process the lead time historical data by removing outlier data; dividing the processed historical lead time data into a first part of data points and a second part of data points, the first part consisting of more than 50% of the data points and the second part consisting of less than 50% of the data points;
Training each of a plurality of machine learning prediction algorithms on the first part and then testing each of the plurality of machine learning prediction algorithms on the second part; Selecting that machine learning prediction algorithm which has the greatest accuracy when testing the second part; retraining the selected machine learning prediction algorithm on the processed historical lead time data; Using the selected machine learning prediction algorithm to predict future supply chain lead times; and uploading future lead times to the database.
In einigen Ausführungsformen des Systems besteht der erste Teil aus 51 %-80 % der Datenpunkte und der zweite Teil aus 20 %-49 % der Datenpunkte, so dass der erste und der zweite Teil insgesamt 100 % der Datenpunkte ausmachen; und die Vielzahl der Machine-Learning-Algorithmen umfassen Adaboost Regressor, FB Prophet, lineare Regression, Mittelwert und Median.In some embodiments of the system, the first part consists of 51% -80% of the data points and the second part consists of 20% -49% of the data points, so that the first and second parts together make up 100% of the data points; and the variety of machine learning algorithms include Adaboost Regressor, FB Prophet, Linear Regression, Mean, and Median.
In einigen Ausführungsformen des Systems erstrecken sich die historischen Vorlaufzeit-Daten über einen Zeitraum von zwei Jahren; und die zukünftigen Vorlaufzeiten basieren auf einem monatlichen Durchschnitt der täglichen zukünftigen Vorlaufzeit-Daten.In some embodiments of the system, the historical lead time data extends over a period of two years; and the future lead times are based on a monthly average of the daily future lead time data.
In einigen Ausführungsformen des Systems ermöglichen die spezifischen Befehle weiter: die Trennung der historischen Vorlaufzeit in Gruppen; und die Verarbeitung der zukünftigen Vorlaufzeiten; wobei die Ausführung der spezifischen Befehle den Prozessor dazu veranlasst: von einem Benutzer Toleranzkriterien für die Trennung der historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen basierend auf den mittleren absoluten Differenzen zwischen den tatsächlichen Vorlaufzeit-Daten und den historischen geplanten Vorlaufzeit-Daten zu empfangen; vor jeder aktuellen Änderung in den historischen Vorlaufzeit-Daten die historischen Vorlaufzeit-Daten in die Vielzahl von Toleranzzonen zu trennen; und vor jeder aktuellen Änderung in den historischen Vorlaufzeit-Daten zukünftige geplante Vorlaufzeiten durch die zukünftigen Vorlaufzeiten in Übereinstimmung mit einem vom Benutzer definierten Aktionskriterium für jede Toleranzzone zu ersetzen.In some embodiments of the system, the specific commands further enable: the separation of the historical lead time into groups; and the processing of future lead times; wherein the execution of the specific instructions causes the processor to: a user tolerance criteria for separating the historical lead time data into a plurality of tolerance zones based on the mean absolute differences between the actual lead time data and the historical planned Receive lead time data; before each current change in the historical lead time data, separate the historical lead time data into the plurality of tolerance zones; and before any current change in the historical lead time data, replace future planned lead times with the future lead times in accordance with a user-defined action criterion for each tolerance zone.
In Übereinstimmung mit einer anderen Ausführungsform umfasst ein dynamisches Lieferketten-Planungssystem:
einen Prozessor, der betreibbar ist, um in einem Speicher gespeicherte Befehle auszuführen; und wobei der Speicher spezifische Befehle zum Gruppieren von historischen Vorlaufzeit-Daten einer Lieferkette in eine Vielzahl von Clustern beinhaltet; wobei die Ausführung der spezifischen Befehle den Prozessor veranlasst:
die historischen Vorlaufzeit-Daten von einer Datenbank zu empfangen; die historischen Vorlaufzeit-Daten durch Entfernen von Ausreißer-Daten zu verarbeiten; die verarbeiteten historischen Vorlaufzeit-Daten in Gruppen basierend auf einer Dichte von Datenpunkten und Linearität der historischen Vorlaufzeiten zu trennen; eine Cluster-Analyse basierend auf jedem der vordefinierten Merkmale innerhalb jeder Gruppe durchzuführen, wobei die vordefinierten Merkmale aus Saisonalität und Linearität ausgewählt sind; jeden Cluster zu bereinigen; jeden Cluster in eine Vielzahl von Subclustern zu zerschneiden; und die Cluster in die Datenbank hochzuladen.In accordance with another embodiment, a dynamic supply chain planning system includes:
a processor operable to execute instructions stored in memory; and wherein the memory contains specific instructions for grouping historical lead time data of a supply chain into a plurality of clusters; where the execution of the specific instructions causes the processor to:
receive the historical lead time data from a database; process the lead time historical data by removing outlier data; separate the processed historical lead time data into groups based on a density of data points and linearity of the historical lead times; perform a cluster analysis based on each of the predefined features within each group, the predefined features selected from seasonality and linearity; clean up each cluster; slice each cluster into a plurality of sub-clusters; and upload the clusters to the database.
In einigen Ausführungsformen des Systems ermöglichen die spezifischen Befehle des Weiteren: die Aufteilung der historischen Vorlaufzeit in Gruppen; und die Verarbeitung der Cluster; wobei die Ausführung der spezifischen Befehle den Prozessor veranlasst: von einem Benutzer Toleranzkriterien für die Trennung der historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen zu empfangen, basierend auf den mittleren absoluten Differenzen zwischen den tatsächlichen Vorlaufzeit-Daten und den historischen geplanten Vorlaufzeit-Daten; und vor jeder aktuellen Änderung der historischen Vorlaufzeit-Daten: Trennen der historischen Vorlaufzeit-Daten in die Vielzahl von Toleranzzonen; Erhalten der Vielzahl von Clustern aus der Datenbank; Trennen der Vielzahl von Clustern in Übereinstimmung mit der Toleranzzone jeder Gruppe; des Weiteren Trennen der Vielzahl von Clustern in Übereinstimmung mit Vorlaufzeit-Identifikatoren; und Identifizieren von Clustern innerhalb der getrennten Cluster, die die größten mittleren absoluten Differenzen zwischen tatsächlichen Vorlaufzeiten und geplanten Vorlaufzeiten aufweisen.In some embodiments of the system, the specific commands further enable: the historical lead time to be divided into groups; and the processing of the clusters; wherein the execution of the specific instructions causes the processor to: receive from a user tolerance criteria for separating the historical lead time data into a plurality of tolerance zones based on the mean absolute differences between the actual lead time data and the historical planned lead time data; and before each current change to the historical lead time data: separating the historical lead time data into the plurality of tolerance zones; Obtaining the plurality of clusters from the database; Separating the plurality of clusters in accordance with the tolerance zone of each group; further separating the plurality of clusters in accordance with lead time identifiers; and identifying clusters within the separate clusters that have the largest mean absolute differences between actual lead times and planned lead times.
In Übereinstimmung mit einer anderen Ausführungsform umfasst ein Computer-implementiertes Verfahren:
empfangen von historischen Vorlaufzeit-Daten aus einer Datenbank des dynamischen Lieferketten-Planungssystems;
Verarbeiten der historischen Vorlaufzeit-Daten durch Entfernen von Ausreißerdaten; Zugreifen auf mindestens eines von einem Machine Learning Vorhersagemodul und einem Machine Learning Clustering-Modul. Das Verfahren umfasst beim Zugriff auf das Machine Learning Vorhersagemodul: Aufteilen der verarbeiteten historischen Vorlaufzeit-Daten in einen ersten Teil von Datenpunkten und einen zweiten Teil von Datenpunkten, wobei der erste Teil aus mehr als 50 % der Datenpunkte besteht und der zweite Teil aus weniger als 50 % der Datenpunkte besteht; Trainieren jedes aus einer Vielzahl von Machine-Learning-Vorhersage-Algorithmen auf dem ersten Teil und anschließendes Testen jedes aus der Vielzahl von Machine-Learning-Vorhersage-Algorithmen auf dem zweiten Teil; Auswählen desjenigen Vorhersage Machine-Learning-Algorithmus, der beim Testen des zweiten Abschnitts die größte Genauigkeit aufweist; erneutes Trainieren des ausgewählten Vorhersage Machine-Learning-Algorithmus auf den verarbeiteten historischen Vorlaufzeit-Daten; Verwenden des ausgewählten Vorhersage Machine-Learning-Algorithmus zum Vorhersagen zukünftiger Vorlaufzeiten der Lieferkette; und Hochladen der zukünftigen Vorlaufzeiten in die Datenbank. Beim Zugriff auf das Machine Learning-Clustermodul umfasst das Verfahren: Trennen der verarbeiteten historischen Vorlaufzeit-Daten in Gruppen basierend auf einer Dichte von Datenpunkten und der Linearität der historischen Vorlaufzeiten; Durchführen einer Cluster-Analyse basierend auf jedem der vordefinierten Merkmale innerhalb jeder Gruppe, wobei die vordefinierten Merkmale aus der Saisonalität und der Linearität ausgewählt sind; Beschneiden jedes Clusters; Aufteilen jedes Clusters in eine Vielzahl von Subclustern; und Hochladen der Cluster in die DatenbankIn accordance with another embodiment, a computer implemented method includes:
receiving historical lead time data from a database of the dynamic supply chain planning system;
Processing the historical lead time data by removing outlier data; Access one or more of a machine learning prediction module and a machine learning clustering module. When accessing the machine learning prediction module, the method comprises: dividing the processed historical lead time data into a first part of data points and a second part of data points, the first part consisting of more than 50% of the data points and the second part of less than Consists of 50% of the data points; Training each of a plurality of machine learning prediction algorithms on the first part and then testing each of the plurality of machine learning prediction algorithms on the second part; Selecting that prediction machine learning algorithm which has the greatest accuracy when testing the second section; retraining the selected prediction machine learning algorithm on the processed historical lead time data; Using the selected predictive machine learning algorithm to predict future supply chain lead times; and uploading future lead times to the database. In accessing the machine learning cluster module, the method comprises: separating the processed historical lead time data into groups based on a density of data points and the linearity of the historical lead times; Performing a cluster analysis based on each of the predefined features within each group, the predefined features being selected from seasonality and linearity; Pruning each cluster; Dividing each cluster into a plurality of sub-clusters; and uploading the clusters to the database
In einigen Ausführungsformen des Verfahrens ist das dynamische Lieferketten-Planungssystem ein Rapid-Response-Planungssystem, und das Verfahren umfasst des Weiteren: Empfangen von Toleranzkriterien von einem Benutzer über eine Benutzerschnittstelle zum Trennen der historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen basierend auf mittleren absoluten Differenzen zwischen tatsächlichen Vorlaufzeit-Daten und historischen geplanten Vorlaufzeit-Daten; Trennen der historischen Vorlaufzeit-Daten in die Vielzahl von Toleranzzonen vor irgendeiner aktuellen Änderung in den historischen Vorlaufzeit-Daten; und Ersetzen zukünftiger geplanter Vorlaufzeiten durch die zukünftigen Vorlaufzeiten in Übereinstimmung mit einem Aktionskriterium, das durch den Benutzer für jede Toleranzzone definiert ist, vor irgendeiner aktuellen Änderung in den historischen Vorlaufzeit-Daten.In some embodiments of the method, the dynamic supply chain planning system is a rapid response planning system, and the method further comprises: receiving tolerance criteria from a user via a user interface for separating the historical lead time data into a plurality of tolerance zones based on mean absolute Differences between actual lead time data and historical planned lead time data; Separating the lead time historical data into the plurality of tolerance zones prior to any current change in the lead time historical data; and replacing future planned lead times with the future lead times in accordance with an action criteria defined by the user for each tolerance zone prior to any current change in the historical lead time data.
In einigen Ausführungsformen des Verfahrens ist das dynamische Lieferketten-Planungssystem ein Rapid-Response-Planungssystem, und das Verfahren umfasst des Weiteren: Empfangen von Toleranzkriterien von einem Benutzer über eine Benutzerschnittstelle zum Trennen der historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen basierend auf mittleren absoluten Differenzen zwischen tatsächlichen Vorlaufzeit-Daten und historischen geplanten Vorlaufzeit-Daten:In some embodiments of the method, the dynamic supply chain planning system is a rapid response planning system, and the method further comprises: receiving tolerance criteria from a user via a user interface for separating the historical lead time data into a plurality of tolerance zones based on mean absolute Differences between actual lead time data and historical planned lead time data:
Trennen der historischen Vorlaufzeit-Daten in die Vielzahl von Toleranzzonen; Trennen der Vielzahl von Clustern in Übereinstimmung mit der Toleranzzone jeder Gruppe; weiterhin Trennen der Vielzahl von Clustern in Übereinstimmung mit Vorlaufzeit-Identifizierern; und Identifizieren von Clustern innerhalb der getrennten Cluster, die die größten mittleren absoluten Differenzen zwischen tatsächlichen Vorlaufzeiten und geplanten Vorlaufzeiten aufweisen.Separating the historical lead time data into the plurality of tolerance zones; Separating the plurality of clusters in accordance with the tolerance zone of each group; further separating the plurality of clusters in accordance with lead time identifiers; and identifying clusters within the separate clusters that have the largest mean absolute differences between actual lead times and planned lead times.
In einigen Ausführungsformen des Verfahrens besteht der erste Teil aus 51 %-80 % der Datenpunkte und der zweite Teil aus 20 %-49 % der Datenpunkte, so dass der erste und der zweite Teil insgesamt 100 % der Datenpunkte ausmachen; und die Vielzahl der Machine-Learning-Algorithmen umfassen Adaboost Regressor, FB Prophet, lineare Regression, Mittelwert und Median.In some embodiments of the method, the first part consists of 51% -80% of the data points and the second part consists of 20% -49% of the data points, so that the first and the second part make up 100% of the data points in total; and the variety of machine learning algorithms include Adaboost Regressor, FB Prophet, Linear Regression, Mean, and Median.
Der Begriff „Rapid-Response“ wird weiter unten definiert.The term “rapid response” is defined below.
Die vorstehenden und zusätzlichen Aspekte und Ausführungsformen der vorliegenden Offenbarung werden für den Fachmann in Anbetracht der detaillierten Beschreibung verschiedener Ausführungsformen und/oder Aspekte, die unter Bezugnahme auf die Figuren erfolgt, die im Folgenden kurz beschrieben werden, offensichtlich sein.The foregoing and additional aspects and embodiments of the present disclosure will be apparent to those skilled in the art in view of the detailed description of various embodiments and / or aspects made with reference to the figures, which are briefly described below.
FigurenlisteFigure list
Ausführungsformen können unter Berücksichtigung der folgenden detaillierten Beschreibung verschiedener Ausführungsformen in Verbindung mit den beiliegenden Figuren vollständiger verstanden werden, in denen:
-
1 die geplante Vorlaufzeit im Vergleich zur tatsächlichen Vorlaufzeit über einenZeitraum von 2 Jahren veranschaulicht. -
2A die Systemarchitektur einer Ausführungsform der Anwendung von Machine-Learning zur Analyse und Korrektur des Lieferketten-Gestaltung veranschaulicht. -
2B die Systemarchitektur der in2A gezeigten Ausführungsform, die mit einer Lieferkettenplanungsplattform integriert ist veranschaulicht, -
3 ein Flussdiagramm einer Ausführungsform der Anwendung von Machine-Learning auf die Lieferketten-Daten veranschaulicht, -
4 ein Flussdiagramm einer Integration der in3 gezeigten Ausführungsform mit einer Lieferkettenplanungsplattform veranschaulicht. -
5 ein Flussdiagramm eines Datenvorbereitungsmoduls ausden 3 und4 veranschaulicht. -
6 ein Flussdiagrammder Vorhersagekomponente von 3 veranschaulicht. -
7 die 12-Monats-Vorhersage mit Machine-Learning, basierend auf den in1 gezeigten Daten veranschaulicht. -
8 ein Flussdiagramm der Clustering-Komponente von 3 veranschaulicht. - Die
9A-9E Beispiele für vier Merkmale für die Clustering-Analyse zeigen. -
10 ein Baumdiagramm nach der Verarbeitung der Clusterergebnisse veranschaulicht. -
11 die Ergebnisse der Geschäftsauswirkungen und des Umsatzrisikos unter Verwendung von Analysewerkzeugen in einer Lieferkettenplanungsplattform veranschaulicht. -
12 ein Computersystem 1200 , das zur Implementierung des in den2A oder2B gezeigten Systems verwendet werden kann veranschaulicht.
-
1 Illustrates the planned lead time versus the actual lead time over a period of 2 years. -
2A illustrates the system architecture of one embodiment of applying machine learning to analyze and correct supply chain design. -
2 B the system architecture of the in2A illustrated embodiment that is integrated with a supply chain planning platform, -
3 Figure 3 illustrates a flow diagram of one embodiment of applying machine learning to the supply chain data; -
4th a flow diagram of an integration of the in3 illustrated embodiment with a supply chain planning platform. -
5 a flow diagram of a data preparation module from FIGS3 and4th illustrated. -
6th a flow diagram of the prediction component of FIG3 illustrated. -
7th the 12-month forecast with machine learning, based on the in1 data shown. -
8th a flow diagram of the clustering component of3 illustrated. - The
9A-9E Show examples of four characteristics for clustering analysis. -
10 illustrates a tree diagram after processing the cluster results. -
11 Illustrates the business impact and revenue risk outcomes using analytical tools in a supply chain planning platform. -
12th acomputer system 1200 that is used to implement the2A or2 B system shown can be used.
DETAILLIERTE BESCHREIBUNGDETAILED DESCRIPTION
Eine Lieferkette kann als eine Abfolge von Prozessen und/oder Ereignissen bei der Herstellung und Verteilung eines Produkts definiert werden. Eine Lieferkette kann Informationen über Geräte, Rohmaterialien, Teile, Komponenten, Organisationen, Personen, Standorte, Transportmittel und Ressourcen enthalten, die zur Herstellung eines Produkts und zum Transport des Produkts von einem Hersteller oder Lieferanten zu einem Kunden verwendet werden. Viele Faktoren können die Lieferkette an verschiedenen Stellen der Kette beeinflussen, und diese Faktoren sind oft unvorhersehbar.A supply chain can be defined as a sequence of processes and / or events in the manufacture and distribution of a product. A supply chain can contain information about equipment, raw materials, parts, components, organizations, people, locations, means of transport, and resources used to manufacture a product and to transport the product from a manufacturer or supplier to a customer. Many factors can affect the supply chain at different points in the chain, and these factors are often unpredictable.
Eine Metrik, die Einblick in das Verhalten einer Lieferkette gibt, ist die Vorlaufzeit. Andere Metriken in der Lieferkette können ebenfalls Aufschluss geben. Eine Definition der Vorlaufzeit ist die Zeit zwischen dem Beginn und dem Abschluss eines Produktionsprozesses. Wenn es z. B. fünf Tage dauert, ein Fahrrad von Montreal nach Vancouver zu versenden, nachdem eine Bestellung eingegangen ist, beträgt die Vorlaufzeit der Fahrradsendung von Montreal nach Vancouver 5 Tage.One metric that gives insight into a supply chain's behavior is lead time. Other metrics in the supply chain can also provide information. A definition of lead time is the time between the beginning and the end of a production process. If it z. For example, if it takes five days to ship a bike from Montreal to Vancouver after an order is placed, the lead time to ship a bike from Montreal to Vancouver is 5 days.
Eine Lieferkette kann Hunderttausende - wenn nicht Millionen - von Datenpunkten zur Vorlaufzeit über einen bestimmten Zeitraum aufweisen. Im Lieferketten-Management werden die Vorlaufzeiten oft entworfen (oder geplant). Die tatsächlichen Vorlaufzeitdaten unterscheiden sich oft von den geplanten Vorlaufzeiten, wie in
Diese Analyse zeigt die deutliche Diskrepanz zwischen der Art und Weise, wie die Lieferkette funktionieren sollte (zwischen Juli 2015 und Juli 2017) und wie sie in dieser Zeit tatsächlich funktionierte. Zwischen solch großen Diskrepanzen können schwerwiegende Folgen entstehen. Wenn z. B. eine Vorlaufzeit von 5 Tagen für die Schätzung des Zeitpunkts für den Kauf oder die Herstellung neuer Lieferungen verwendet wird - wenn in Wirklichkeit die Vorlaufzeit
In einer Ausführungsform werden die historischen Vorlaufzeit-Daten mit Hilfe von Machine-Learning-Algorithmen analysiert, die Vorlaufzeiten vorhersagen können und eine Cluster-Analyse der historischen Vorlaufzeit-Daten liefern, um Faktoren zu ermitteln, die zu Abweichungen beitragen.In one embodiment, the historical lead time data is analyzed with the aid of machine learning algorithms that can predict lead times and provide a cluster analysis of the historical lead time data in order to determine factors that contribute to deviations.
In der vorliegenden Offenbarung werden Ausführungsformen bereitgestellt, um die Variabilität in historischen Vorlaufzeiten zu identifizieren, zu kategorisieren und zu visualisieren. Darüber hinaus können Machine-Learning-Algorithmen verwendet werden, um Vorlaufzeiten vorherzusagen und ggf. geplante Vorlaufzeiten anzupassen. Außerdem können Teile mit ähnlichen Mustern der Vorlaufzeit-Abweichung mit Hilfe von Machine-Learning-Algorithmen in eine Gruppe geclustert werden. Das Clustering kann einem Planer helfen, ähnliche Probleme bei den Vorlaufzeiten von Bestellungen visuell zu erkennen. So können die Abweichungen der Vorlaufzeiten für zukünftige Bestellungen automatisch oder basierend auf einer manuellen Überprüfung angepasst werden. Außerdem können Geschäftsmetriken vor und nach der Anpassung der Vorlaufzeiten projiziert werden, um die Auswirkungen der Annahme der vom Machine-Learning-Algorithmus bereitgestellten Vorlaufzeitempfehlungen zu vergleichen.In the present disclosure, embodiments are provided to identify, categorize, and visualize variability in historical lead times. In addition, machine learning algorithms can be used to predict lead times and, if necessary, adjust planned lead times. In addition, parts with similar lead-time deviation patterns can be clustered into a group using machine learning algorithms. Clustering can help a planner visually identify similar issues with order lead times. In this way, the deviations in the lead times for future orders can be adjusted automatically or based on a manual check. Business metrics can also be projected before and after the lead times are adjusted to compare the impact of accepting the lead time recommendations provided by the machine learning algorithm.
Sobald der Datensatz-Status vollständig ist, initiiert der Machine-Learning-Dienst (
Sobald der Datensatz-Status vollständig ist, initiiert der Machine-Learning-Dienst (
Die Vorhersageanalyse und die Clustering-Analyse können parallel durchgeführt werden. Sie können auch sequentiell durchgeführt werden, wobei entweder die Clustering- oder die Vorhersageanalyse zuerst durchgeführt wird.The predictive analysis and the clustering analysis can be performed in parallel. They can also be performed sequentially, with either clustering or predictive analysis performed first.
Die Vorhersage-Ergebnisse und Clustering-Ergebnisse können, nachdem sie in die Datenbank (
Die Datenbank (
Ein Machine-Learning-Server (
Die Architektur
Ein Beispiel für eine Lieferketten-Planungsplattform, die mit dem Machine-Learning-Server (
Das System
Rechen- und andere hier besprochene Geräte können Speicher enthalten. Der Speicher kann flüchtigen oder nicht flüchtigen Speicher umfassen, je nachdem, was das gekoppelte Rechengerät oder der Prozessor benötigt, um nicht nur Platz für die Ausführung der Befehle oder Algorithmen, sondern auch für die Speicherung der Befehle selbst bereitzustellen. In Ausführungsformen kann flüchtiger Speicher z. B. Direktzugriffsspeicher (RAM), dynamischer Direktzugriffsspeicher (DRAM) oder statischer Direktzugriffsspeicher (SRAM) umfassen. In Ausführungsformen kann nichtflüchtiger Speicher z. B. Festwertspeicher, Flash-Speicher, ferroelektrischer RAM, Festplatte, Diskette, Magnetband oder optischer Plattenspeicher sein. Die vorstehenden Aufzählungen schränken die Art des Speichers, der verwendet werden kann, in keiner Weise ein, da diese Ausführungsformen nur beispielhaft aufgeführt sind und den Umfang der Offenbarung nicht einschränken sollen. In Ausführungsformen kann das System oder seine Komponenten verschiedene Module umfassen oder einschließen, von denen jedes so konstruiert, programmiert, konfiguriert oder anderweitig angepasst ist, dass es eine Funktion oder einen Satz von Funktionen autonom ausführt.Computing and other devices discussed here may contain memory. The memory can comprise volatile or non-volatile memory, depending on what the coupled computing device or the processor requires, in order to not only provide space for the execution of the commands or algorithms, but also for the storage of the commands themselves. In embodiments, volatile memory may e.g. B. Random Access Memory (RAM), Dynamic Random Access Memory (DRAM), or Static Random Access Memory (SRAM). In embodiments, non-volatile memory may e.g. B. read-only memory, flash memory, ferroelectric RAM, hard disk, floppy disk, magnetic tape or optical disk storage. The above lists in no way restrict the type of memory that can be used, since these embodiments are only listed as examples and are not intended to restrict the scope of the disclosure. In embodiments, the system or its components may include or include various modules, each of which is designed, programmed, configured, or otherwise adapted to autonomously perform a function or set of functions.
Die Rohdaten werden dann über ein Datenvorbereitungsmodul (
Der in
Vorbereitung von Daten für Machine-LearningPrepare data for machine learning
In einigen Ausführungsformen werden die Vorlaufzeit-Daten aus den historischen Liefer-Ist-Daten in der/den Unternehmensdatenquelle(n) des Kunden gewonnen. Bei den historischen Vorlaufzeit-Daten kann es sich um Daten über einen bestimmten Zeitraum handeln. Um die Genauigkeit der Vorhersage und der Cluster-Ergebnisse zu verbessern, können historische Daten aus mindestens 2 Jahren (24 Monaten) verwendet werden. Als Beispiel (wie in
Vor der Analyse durch Machine Learning können die Daten „bereinigt“ werden, um Datenfehler und Ausreißer zu entfernen. Beispiele für Datenfehler können Datensätze mit Nullwerten, doppelte Datensätze, negative Vorlaufzeiten usw. sein.Before analysis by machine learning, the data can be “cleaned up” in order to remove data errors and outliers. Examples of data errors can include records with zero values, duplicate records, negative lead times, and so on.
Was Ausreißer betrifft, so ist ein Ausreißer ein Datenpunkt mit einer Vorlaufzeit, die außerhalb eines Gesamtmusters einer Zeitreihe liegen kann. Als Beispiel für die Identifizierung von Ausreißern kann der Interquartilsbereich (IQR) verwendet werden (es können auch andere statistische Verfahren zur Berechnung von Ausreißern verwendet werden). Im IQR-Verfahren ist ein Datenpunkt ein Ausreißer, wenn er z. B. mehr als das 1,5-fache des IQR über dem dritten Quartil (Q3) liegt; oder wenn er z. B. weniger als das 1,5-fache des IQR im ersten Quartil (Q1) liegt. Dies kann mathematisch ausgedrückt werden: Ein Datenpunkt (DP) ist ein Ausreißer, wenn:
Das IQR-Verfahren, wie oben definiert, beinhaltet die folgenden Schritte:
- 1. Berechnet den Median, die Quartile und den IQR.
- 2.
Berechnet 1,5 * IQR unterhalb des ersten Quartils, um auf niedrige Ausreißer zu prüfen. - 3.
Berechnet 1,5 * IQR oberhalb des dritten Quartils, um auf hohe Ausreißer zu prüfen.
- 1. Calculates the median, quartiles, and IQR.
- 2. Calculates 1.5 * IQR below the first quartile to check for low outliers.
- 3. Calculates 1.5 * IQR above the third quartile to check for high outliers.
Die Berechnungen ergeben eine obere und untere Grenze. Alle Datensätze mit Vorlaufzeiten, die unterhalb der unteren Grenze und oberhalb der oberen Grenze liegen, werden vor der Eingabe in die Machine-Learning-Algorithmen aus dem Datensatz entfernt..The calculations result in an upper and lower limit. All data records with lead times that are below the lower limit and above the upper limit are removed from the data record before being entered into the machine learning algorithms.
Beispiel für die Berechnung von AusreißernExample for the calculation of outliers
Nehmen Sie zum Beispiel die folgenden historischen tatsächlichen Vorlaufzeiten in den Daten an:
- 1. Berechnen des Medians, der Quartile und des IQR:
- a. Der Median ist 12
- b. Die Quartile werden berechnet, indem der geordnete Datensatz in zwei Hälften geteilt wird. Für eine ungerade Anzahl von Datenpunkten im vollständigen Datensatz ist der Median in beiden Hälften enthalten. Der untere Quartilswert ist der Median der unteren Hälfte der Daten. Der untere Quartilswert ist der Median der unteren Hälfte der Daten. Der obere Quartilswert ist der Median der oberen Hälfte der Daten.
- c. Erstes Quartil (auch bekannt als das 25. Perzentil oder Q1) = 11.5 (dies erhält man durch Berechnung des Medians der Zahlen 5, 11, 12, 12).
- d. Zweites Quartil (auch bekannt als das 50. Perzentil oder Q2) = 12= Median
- e. Drittes Quartil (auch bekannt als das 75. Perzentil oder Q3) = 12.5 (dies erhält man durch Berechnung des Medians der Zahlen 12, 12, 13, 25).
- f.
- 2. Berechnen 1.5 * IQR unterhalb des ersten Quartils, um auf niedrige Ausreißer zu prüfen:
er kleiner als 10 ist. In diesem Fall wird 5 als ein niedriger Ausreißer betrachtet. - 3. Berechnen 1.5 * IQR oberhalb des dritten Quartils, um auf hohe Ausreißer zu prüfen:
er größer als 14 ist. In diesem Fall wird 25 als ein hoher Ausreißer betrachtet.
- 1. Calculate the median, quartiles and IQR:
- a. The median is 12
- b. The quartiles are calculated by dividing the ordered data set in half. For an odd number of data points in the complete data set, the median is included in both halves. The lower quartile is the median of the lower half of the data. The lower quartile is the median of the lower half of the data. The top quartile is the median of the top half of the data.
- c. First quartile (also known as the 25th percentile or Q1) = 11.5 (this is obtained by calculating the median of the numbers 5, 11, 12, 12).
- d. Second quartile (also known as the 50th percentile or Q2) = 12 = median
- e. Third quartile (also known as the 75th percentile or Q3) = 12.5 (this is obtained by calculating the median of the numbers 12, 12, 13, 25).
- f.
- 2. Calculate 1.5 * IQR below the first quartile to check for low outliers:
- 3. Calculate 1.5 * IQR above the third quartile to check for high outliers:
Basierend auf den obigen IQR-Berechnungen gibt es zwei Ausreißer (5 und 25) in dem Beispieldatensatz.Based on the IQR calculations above, there are two outliers (5 and 25) in the example dataset.
Daher werden diese beiden Datenpunkte vor der Eingabe in den Machine-Learning-Algorithmus entfernt.Therefore, these two data points are removed before being entered into the machine learning algorithm.
Schließlich wird der verarbeitete Datensatz in einem Format aufbereitet, das von den Algorithmen Forecasting und Cluster verwendet werden kann.Finally, the processed data set is prepared in a format that can be used by the forecasting and clustering algorithms.
Vorhersageforecast
Sobald die Daten verarbeitet sind, können sie von einem Machine-Learning-Algorithmus verwendet werden, um zukünftige Vorlaufzeiten basierend auf den aktuellen historischen Vorlaufzeit-Daten vorherzusagen.Once the data is processed, it can be used by a machine learning algorithm to predict future lead times based on the current historical lead time data.
Aspekte von
Der Vorhersage-Machine-Learning-Algorithmus kann die Vorlaufzeit von gekauften Gegenständen (oder Teilen) von verschiedenen Lieferanten zu verschiedenen Zeiten des Jahres vorhersagen. Jeder Gegenstand kann ein unterschiedliches Verhalten in Bezug auf die Vorlaufzeit aufweisen, was auf viele Faktoren zurückzuführen ist, wie z. B.: seine schwankende Nachfrage im Laufe des Jahres, die geografische Lage der Lieferanten, die den Gegenstand produzieren, der Preis und die Verfügbarkeit des Gegenstands, die Menge der Bestellungen, usw. Dies führt zu vielen wissenschaftlichen Unsicherheiten, da jeder Vorhersagealgorithmus in einigen Situationen gut funktionieren kann. Daher funktioniert kein einzelner Vorhersagealgorithmus am besten für alle Daten - die Wahl des Algorithmus ist datenabhängig. Es können mehrere Vorhersage-Maschinen-Algorithmen an den Daten getestet werden, um zu sehen, welche angemessen gut funktionieren.The predictive machine learning algorithm can predict the lead time of purchased items (or parts) from different suppliers at different times of the year. Each item can behave differently in terms of lead time due to many factors such as: For example: its fluctuating demand over the year, the geographical location of the suppliers who produce the item, the price and availability of the item, the amount of orders, etc. This leads to many scientific uncertainties, as each prediction algorithm in some situations can work well. Therefore, no single prediction algorithm works best for all data - the choice of algorithm is data dependent. Several prediction engine algorithms can be tested on the data to see which work reasonably well.
Konventionelle Ansätze trainieren Vorhersage-Maschinen-Algorithmen offline und setzen ein festes Vorhersagemodell ein. Ein solcher Ansatz passt jedoch möglicherweise nicht gut zu der sich entwickelnden Natur der historischen Vorlaufzeit-Daten oder den Speicheranforderungen, die erforderlich sind, wenn der Machine-Learning-Algorithmus in eine Lieferketten-Planungsplattform integriert wird, in der die Daten ständig aktualisiert werden. Es kann eine transiente Modell-Methodik verwendet werden, bei der ein Modell mit „Live“-Daten trainiert und zur Vorhersage von Vorlaufzeiten für einen Zeitraum (z. B. drei Monate, sechs Monate, zwölf Monate usw.) in die Zukunft verwendet werden kann, während das Modell nach der Laufzeit vergessen wird (d. h. das Modell wird erneut trainiert). Da außerdem die Verarbeitungszeit angemessen sein muss (z. B. nicht mehr als 1-2 Wochen), können verschiedene Vorhersage-Maschinen-Algorithmen auf ihre Leistung in Bezug auf die Rechenkomplexität/Vorhersagequalität für verschiedene Datensätze bewertet werden.Conventional approaches train prediction machine algorithms offline and use a fixed prediction model. However, such an approach may not fit well with the evolving nature of the historical lead-time data or the storage requirements that are required when integrating the machine learning algorithm into a supply chain planning platform where the data is continually updated. A transient model methodology can be used in which a model is trained on "live" data and used to predict lead times for a period of time (e.g., three months, six months, twelve months, etc.) into the future can while the model is forgotten after the runtime (i.e. the model is retrained). In addition, since the processing time must be reasonable (e.g. no more than 1-2 weeks), different prediction engine algorithms can be evaluated for their performance in terms of computational complexity / prediction quality for different data sets.
Da Überanpassung eine der kritischen Herausforderungen beim Machine-Learning ist, kann ein trainiertes Modell die historischen Daten nicht auf vorhergesagte Daten verallgemeinern. Daher können die historischen Daten in einen Satz zum Trainieren eines Machine-Learning-Algorithmus für Vorhersagen und einen Testsatz zur Validierung des Algorithmus aufgeteilt werden. Unter der Annahme, dass die zukünftigen Daten einer ähnlichen Verteilung wie die historischen Daten folgen, wird ein Modell auf dem Testsatz validiert, um zu entscheiden, welcher Algorithmus und welche Parameter für die Vorhersage der zukünftigen Daten verwendet werden sollen. Dies hilft, das Risiko einer Überanpassung an die historischen Daten zu reduzieren.Because overfitting is one of the critical challenges in machine learning, a trained model cannot generalize historical data to predicted data. Therefore, the historical data can be divided into a set for training a machine learning algorithm for predictions and a test set for validating the algorithm. Assuming that the future data follows a similar distribution as the historical data, a model is validated on the test set to decide which algorithm and which parameters to use to predict the future data. This helps reduce the risk of overfitting the historical data.
Der Vorhersage-Machine-Learning-Algorithmus kann bevor er für die Vorhersage verwendet wird trainiert werden. Wie oben beschrieben, kann aufgrund der Variabilität der historischen Vorlaufzeit-Daten eine Vielzahl von Machine-Learning-Algorithmen unabhängig voneinander auf einem Teil der Daten trainiert werden. Wenn z.B. 2 Jahre an Daten vorliegen, kann jeder Machine Learning-Algorithmus für die Vorhersage auf 70% der Daten (d.h. ungefähr die ersten 17 Monate) trainiert werden. Beispiele für Vorhersage-Machine-Learning-Algorithmen sind Adaboost Regressor, FBProphet, lineare Regression, Mittelwert und Median.The prediction machine learning algorithm can be trained before it is used for prediction. As described above, due to the variability of the historical lead time data, a large number of machine learning algorithms can be trained independently of one another on part of the data. For example, if you have 2 years of data, any machine learning algorithm can be trained to predict on 70% of the data (i.e. approximately the first 17 months). Examples of predictive machine learning algorithms are Adaboost Regressor, FBProphet, Linear Regression, Mean, and Median.
In einigen Szenarien kann die Leistung eines Algorithmus unzureichend sein. Als solche können die Konfigurationsparameter des Algorithmus an die Daten angepasst werden. Da zum Beispiel spärliche Daten die Funktion „Saisonalität“ des FBProphet-Algorithmus negativ beeinflussen, wurde ein Mechanismus entwickelt, um zu entscheiden, wann diese Funktion aktiviert werden sollte. Außerdem wurde eine Reihe von Experimenten mit verschiedenen Zeitgruppierungs-Strategien versucht - was zu der Schlussfolgerung führte, dass die Gruppierung der Ergebnisse nach der Vorhersage, anstatt vor der Vorhersage, die besten Ergebnisse liefern. Trotz der parallelen Ausführung von fünf Modellen entsprach die rechnerische Komplexität der Gestaltung zur Laufzeit den Anforderungen an den Zeitabschluss.In some scenarios, an algorithm can perform poorly. As such, the configuration parameters of the algorithm can be adapted to the data. For example, since sparse data negatively affects the “seasonality” function of the FBProphet algorithm, a mechanism was developed to decide when this function should be activated. In addition, a number of experiments were attempted with different time grouping strategies - which led to the conclusion that grouping the results after the prediction rather than before the prediction gives the best results. Despite the parallel execution of five models, the computational complexity of the design at runtime corresponded to the requirements for the time termination.
Nach dem Training kann jeder Vorhersage-Machine-Learning-Algorithmus an den verbleibenden 30% der historischen Daten getestet werden. Die Vorlaufzeiten, die von jedem Vorhersage-Machine-Learning-Algorithmus vorhergesagt wurden, werden dann mit den historischen Vorlaufzeiten für die verbleibenden 30 % des Zeitraums verglichen. Der Vorhersage-Machine-Learning-Algorithmus, der sich bei der Vorhersage der verbleibenden 30% der Daten als am genauesten erweist, wird als der Vorhersage-Machine-Learning-Algorithmus ausgewählt, der für die Vorhersage zukünftiger Vorlaufzeiten verwendet werden soll.After training, any predictive machine learning algorithm can be tested on the remaining 30% of the historical data. The lead times predicted by each predictive machine learning algorithm are then compared to the historical lead times for the remaining 30% of the time period. The predictive machine learning algorithm that proves to be the most accurate in predicting the remaining 30% of the data is chosen as the predictive machine learning algorithm to use for predicting future lead times.
Während der Trainings- und Testteil in 70%-30%-Teile aufgeteilt werden kann, sind auch andere Teile möglich. Zum Beispiel kann der Trainingsteil 50% betragen, während der Testteil die verbleibenden 50% sein kann; oder der Trainingsteil kann 60% betragen, während der Testteil 40% sein kann; der Trainingsteil kann 75% betragen, während der Testteil 25% sein kann. Jede Kombination ist möglich, solange der Trainingsanteil 50% oder mehr der historischen Daten beträgt und der Testanteil 50% oder weniger der historischen Daten.While the training and test part can be divided into 70% -30% parts, other parts are also possible. For example, the training part can be 50% while the testing part can be the remaining 50%; or the training part can be 60% while the test part can be 40%; the training part can be 75% while the test part can be 25%. Any combination is possible as long as the training portion is 50% or more of the historical data and the test portion is 50% or less of the historical data.
Als Beispiel wurde für jeden der fünf getesteten Vorhersage-Maschinen-Algorithmen die Hypothese aufgestellt, dass die meisten der aufgeführten Parameter (jedes Algorithmus) einen vernachlässigbaren Einfluss auf die Qualität der endgültigen Vorhersage haben sollten. Es wurden Experimente durchgeführt, um die Bedeutung der einzelnen Parameter für die Modellqualität zu bestimmen. Schließlich wurden einige wenige Parameter für jeden der Algorithmen ausgewählt und eine Rastersuche für diese Parameter auf den historischen Daten durchgeführt.As an example, for each of the five prediction engine algorithms tested, it was hypothesized that most of the parameters listed (each algorithm) should have a negligible influence on the quality of the final prediction. Experiments were carried out to determine the importance of the individual parameters for the model quality. Finally, a few parameters were selected for each of the algorithms and a raster search for these parameters was performed on the historical data.
Zusätzlich wurden Experimente durchgeführt, um die Auswirkung der Saisonalität auf die Vorhersagequalität zu verstehen. Es wurde herausgefunden, dass die Modellierung der Saisonalität basierend auf wenigen Beobachtungen und unvollständigen Daten die Qualität der Vorhersage verschlechtern kann. Daher wurden Vorsichtsmaßnahmen hinzugefügt, um zu prüfen, ob die historischen Vorlaufzeit-Daten für ein bestimmtes Lieferteil für die Saisonalitätsanalyse geeignet sind.In addition, experiments were carried out to understand the impact of seasonality on forecast quality. It was found that modeling seasonality based on few observations and incomplete data can degrade the quality of the forecast. Therefore, precautionary measures have been added to check whether the historical lead time data for a particular delivery part is suitable for seasonality analysis.
Der ausgewählte Vorhersage-Machine-Learning-Algorithmus wird zunächst erneut auf den gesamten Datensatz (d. h. die gesamten 2 Jahre) trainiert und dann zur Vorhersage der Vorlaufzeiten für einen zukünftigen Zeitraum verwendet. Der zukünftige Zeitraum kann z.B. 0-24 Monate, oder 3-15 Monate, oder 12 Monate sein. Die zukünftigen Vorlaufzeiten können z. B. für 3 Monate, 6 Monate, 9 Monate, 12 Monate usw. ab dem Datum der Ausführung des Vorhersage-Machine-Algorithmus bereitgestellt werden.The selected prediction machine learning algorithm is first retrained on the entire data set (i.e. the entire 2 years) and then used to predict the lead times for a future period. The future period can be, for example, 0-24 months, or 3-15 months, or 12 months. The future lead times can e.g. For 3 months, 6 months, 9 months, 12 months, etc. from the date the prediction machine algorithm was executed.
Hinsichtlich der Granularität der Vorhersagen wurden Experimente entworfen, um die Ergebnisse einer monatlichen Vorhersage mit einer täglichen Vorhersage zu vergleichen. Während sowohl monatliche als auch tägliche Vorhersagen nützliche Informationen liefern, kann die Vorhersage auf täglicher Basis und die Aggregation aller Vorhersagen eines Monats bessere Ergebnisse liefern als die Vorhersage eines einzelnen Punktes in einem Monat (z. B. Anfang, Mitte oder Ende).Regarding the granularity of the forecasts, experiments were designed to compare the results of a monthly forecast with a daily forecast. While both monthly and daily forecasts provide useful information, forecasting on a daily basis and aggregating all forecasts for a month can produce better results than forecasting a single point in a month (e.g. beginning, middle, or end).
Zusammenfassend wurde eine Vorhersage-Methodik entwickelt, die erfolgreich auf beliebige Zeitreihen (von Vorlaufzeiten) angewendet werden kann, die von einem Kunden bereitgestellt werden, einschließlich spärlicher Datensätze. Die Methodik kann eine Vielzahl von Machine-Learning-Algorithmen verwenden (z. B. Adaboost Regressor, FBProphet, lineare Regression, Mittelwert, Median), um die Leistung auf historischen Daten zu bewerten und die beste Lösung auf zukünftigen Daten zu liefern. Des Weiteren können bestimmte Parameter des Algorithmus (z.B. Saisonalität) dynamisch an jeden Datensatz angepasst werden. Die Stärke des Algorithmus ist, dass die Bewertung der Leistung der einzelnen Algorithmen und deren Konfiguration zur Laufzeit erfolgt, was die Flexibilität bietet, sich an jeden Datensatz anzupassen. Zusätzlich wurde festgestellt, dass das Gruppieren von Zeitperioden nach der Vorhersage verbesserte Ergebnisse liefern kann.In summary, a prediction methodology has been developed that can be successfully applied to any time series (of lead times) provided by a customer, including sparse data sets. The methodology can use a variety of machine learning algorithms (e.g., Adaboost Regressor, FBProphet, Linear Regression, Mean, Median) to evaluate performance on historical data and deliver the best solution on future data. Furthermore, certain parameters of the algorithm (e.g. seasonality) can be dynamically adapted to each data record. The strength of the algorithm is that the evaluation of the performance of the individual algorithms and their configuration takes place at runtime, which offers the flexibility to adapt to each data set. In addition, it has been found that grouping time periods after prediction can provide improved results.
Als Beispiel wurden die in
Verwendung der VorhersageergebnisseUse of the prediction results
Die vorhergesagten Vorlaufzeiten können verwendet werden, um die Gestaltung der Lieferkette zu ändern. Wenn die Lieferketten-Planungsplattform eine schnelle Verarbeitung von Hunderttausenden von Zeitreihen ermöglicht (d. h. die oben definierte „Rapid Response“-Plattform), kann ein Lieferketten-Planer Schwellenwerte für die mittlere absolute Abweichung zwischen geplanten und historischen Vorlaufzeiten für jede Zeitreihe festlegen, was zu „Toleranz“-Zonen für jede Zeitreihe führt. Der Planer kann dann die Machine-Learning Vorhersage-Ergebnisse der Vorlaufzeiten (die auf die Plattform hochgeladen werden) in einem schnellen Vorhersage-Szenario der „Rapid Response“-Plattform verwenden, um zu sehen, ob die geplanten Vorlaufzeiten ignoriert oder akzeptiert werden sollten.The predicted lead times can be used to change the design of the supply chain. If the supply chain planning platform allows for the rapid processing of hundreds of thousands of time series (i.e. the "Rapid Response" platform defined above), a supply chain planner can set thresholds for the mean absolute deviation between planned and historical lead times for each time series, resulting in " Tolerance ”zones for each time series. The planner can then use the machine learning prediction results of the lead times (which are uploaded to the platform) in a rapid prediction scenario of the "Rapid Response" platform to see whether the planned lead times should be ignored or accepted.
Wenn ein Planer z.B. die Vorlaufzeiten für eine Automobilsendung abstimmt, kann er eine „innere“ Toleranzschwelle von 0-2 Tagen definieren (d.h. Vorlaufzeiten in dieser Zone müssen nicht geändert werden); eine „nahe“ Toleranzschwelle von 2-6 Tagen (d. h. Vorlaufzeiten in dieser Zone können automatisch aktualisiert werden oder erfordern eine weitere Überprüfung durch den Planer); und eine „äußere“ Toleranzschwelle von 6 Tagen oder mehr (d. h. Vorlaufzeiten in dieser Zone müssen eventuell geändert werden, erfordern aber eine Überprüfung durch einen Planer). Die Schwellenwerte der Vorlaufzeit-Zonen und ihre Aktionen können je nach Produkt geändert werden und können, basierend auf Tagen oder Prozenten, eingestellt werden. Zum Beispiel können die folgenden Toleranzschwellenwerte für ein anderes Produkt wie ein Fahrrad festgelegt werden: For example, if a planner agrees the lead times for an automobile broadcast, he can define an “inner” tolerance threshold of 0-2 days (ie lead times in this zone do not have to be changed); a “near” tolerance threshold of 2-6 days (ie lead times in this zone can be updated automatically or require further review by the planner); and an “outside” tolerance threshold of 6 days or more (ie lead times in this zone may need to be changed but require a planner to review). The lead time zone thresholds and their actions can be changed depending on the product and can be set based on days or percentages. For example, the following tolerance thresholds can be set for another product such as a bicycle:
Wenn die mittlere absolute Abweichung weniger als 5 Tage beträgt, wird die Toleranzzone als „Innerhalb der Toleranz“ definiert. Wenn die mittlere absolute Abweichung zwischen 5-9 Tagen liegt, wird die Toleranzzone als „Nahe der Toleranz“ definiert. Wo die mittlere absolute Abweichung mehr als 10 Tage beträgt, wird die Toleranzzone als „Außerhalb der Toleranz“ definiert.If the mean absolute deviation is less than 5 days, the tolerance zone is defined as “within tolerance”. If the mean absolute deviation is between 5-9 days, the tolerance zone is defined as “close to tolerance”. Where the mean absolute deviation is more than 10 days, the tolerance zone is defined as "Out of tolerance".
Die folgenden drei Beispiele (Tabellen 1-3) zeigen jeweils eine Zeitreihe, in der die geplante Vorlaufzeit mit der tatsächlichen Vorlaufzeit (für eine Anzahl von Zeiträumen) verglichen wird; die mittlere absolute Abweichung wird jeweils berechnet und dann in eine der drei Toleranzzonen eingeordnet. The following three examples (Tables 1-3) each show a time series in which the planned lead time is compared with the actual lead time (for a number of time periods); the mean absolute deviation is calculated in each case and then classified in one of the three tolerance zones.
Hier ist die mittlere absolute Abweichung (4 Tage × 5)/5 = 4 Tage. Basierend auf den oben definierten Toleranzschwellen-Einstellungen wird die absolute mittlere Abweichung der Vorlaufzeit für diese Zeitreihe als „innerhalb der Toleranz“ kategorisiert. Als solches können die Machine-Learning-Vorhersageergebnisse für diese Zeitreihe ignoriert werden, da die Abweichung innerhalb einer akzeptablen Toleranzschwelle liegt. Here the mean absolute deviation is (4 days × 5) / 5 = 4 days. Based on the tolerance threshold settings defined above, the absolute mean deviation of the lead time for this time series is categorized as “within tolerance”. As such, the machine learning prediction results for this time series can be ignored as the deviation is within an acceptable tolerance threshold.
Hier beträgt die mittlere absolute Abweichung (6+6+8+6+6) Tage/5 = 6,4 Tage. Basierend auf den oben definierten Toleranzschwellen-Einstellungen liegt die mittlere absolute Vorlaufzeit-Abweichung für diese Zeitreihe zwischen 5 und 9 Tagen und wird somit als „nahe der Toleranz“ kategorisiert. Als solches können die Machine-Learning-Vorhersageergebnisse für diese Zeitreihe anstelle der geplanten Vorlaufzeit verwendet werden. Wenn die Lieferketten-Planungsplattform z. B. automatisiert hat, dass alle Abweichungen, die als „nahe der Toleranz“ kategorisiert sind, die vorhergesagten Vorlaufzeiten für die weitere Planung verwenden sollen, dann werden die vorhergesagten Ergebnisse für die weitere Analyse und Vorhersage der zukünftigen Geschäftskennzahlen verwendet. Wenn die Lieferketten-Planungsplattform hingegen angegeben hat, dass „nahe der Toleranz“-Abweichungen jeweils einzeln geprüft werden sollen, dann vergleicht der Planer Szenarien mit geplanten Vorlaufzeiten gegenüber Vorlaufzeiten, die durch Machine-Learning vorhergesagt wurden, und entscheidet, wie er weiter vorgeht. Wie bereits erwähnt, werden diese Analysen am besten auf einer Rapid-Response-Plattform durchgeführt. Here the mean absolute deviation is (6 + 6 + 8 + 6 + 6) days / 5 = 6.4 days. Based on the tolerance threshold settings defined above, the mean absolute lead time deviation for this time series is between 5 and 9 days and is therefore categorized as “close to tolerance”. As such, the machine learning prediction results for this time series can be used in place of the planned lead time. If the supply chain planning platform is e.g. For example, if it has automated that all variances that are categorized as “near tolerance” should use the predicted lead times for further planning, then the predicted results are used for further analysis and prediction of future business metrics. If, on the other hand, the supply chain planning platform has indicated that “near tolerance” deviations should be checked individually, then the planner compares scenarios with planned lead times versus lead times predicted by machine learning, and decides how to proceed. As mentioned earlier, these analyzes are best performed on a rapid response platform.
Hier beträgt die mittlere absolute Abweichung (11 × 4) Tage/4 = 11 Tage. Basierend auf den oben definierten Toleranzschwellen-Einstellungen liegt die mittlere absolute Abweichung der Vorlaufzeit für diese Zeitreihe über 10 Tagen und wird somit als „außerhalb der Toleranz“ kategorisiert. Als solches können die Machine Learning-Vorhersageergebnisse für diese Zeitreihe anstelle der geplanten Vorlaufzeit verwendet werden. Wie bei dem Fall „nahe der Toleranz“ hängt das weitere Vorgehen davon ab, welche Art von Aktion festgelegt wurde. Wenn die Lieferketten-Planungsplattform z. B. automatisiert hat, dass alle Abweichungen, die als „nahe der Toleranz“ kategorisiert sind, die vorhergesagten Vorlaufzeiten für die weitere Planung verwenden sollen, dann werden die vorhergesagten Ergebnisse für die weitere Analyse und Vorhersage der zukünftigen Geschäftskennzahlen verwendet. Wenn die Lieferketten-Planungsplattform hingegen angegeben hat, dass „nahe der Toleranz“-Abweichungen jeweils einzeln geprüft werden sollen, dann vergleicht der Planer Szenarien mit geplanten Vorlaufzeiten gegenüber Vorlaufzeiten, die durch Machine-Learning vorhergesagt wurden, und entscheidet, wie er weiter vorgeht. Wie bereits erwähnt, werden diese Analysen am besten auf einer Rapid-Response-Plattform durchgeführt.Here the mean absolute deviation is (11 × 4) days / 4 = 11 days. Based on the tolerance threshold settings defined above, the mean absolute deviation of the lead time for this time series is over 10 days and is therefore categorized as "outside of tolerance". As such, the machine learning prediction results for this time series can be used in place of the planned lead time. As with the “near tolerance” case, how you proceed depends on what type of action has been specified. If the supply chain planning platform is e.g. For example, if it has automated that all variances that are categorized as “near tolerance” should use the predicted lead times for further planning, then the predicted results are used for further analysis and prediction of future business metrics. If, on the other hand, the supply chain planning platform has indicated that “near tolerance” deviations should be checked individually, the planner compares scenarios with planned lead times against lead times predicted by machine learning and decides how to proceed. As mentioned earlier, these analyzes are best performed on a rapid response platform.
ClusteringClustering
Clustering (via Machine-Learning) kann verwendet werden, um Probleme in einer Lieferkette zu identifizieren. Eine Technik, die verwendet werden kann, ist die Klassifizierung von Vorlaufzeit-Clustern basierend auf deren Form und Muster in Bezug auf die Vorlaufzeit. Beispielsweise können Vorlaufzeiten innerhalb eines bestimmten Clusters helfen, eine Problemquelle (z. B. einen bestimmten Lieferanten) zu identifizieren. Aufgrund der großen Größe von Datensätzen, die im Lieferketten-Management verwendet werden, kann jedoch der Dynamic Time Warp (DTW)-Algorithmus, der üblicherweise für das Clustering verwendet wird, aufgrund seiner quadratischen Zeitkomplexität nicht verwendet werden, was seine Verwendung rechnerisch unerschwinglich macht. Alternative konventionelle Clustering-Algorithmen (z. B. dichtebasiert, hierarchisch, iterativ usw.) sind möglicherweise nicht in der Lage, den großen Datensatz zu verarbeiten und führen zu einer schlechten Clustering-Leistung. Der Schlüssel liegt darin, eine robuste, leistungsstarke Clustering-Technik zu finden, die in der Lage ist, große Datensätze (aus Lieferketten-Daten) zu verarbeiten. Ein Datensatz kann z. B. Hunderttausende bis ein paar hundert Millionen Datenpunkte enthalten.Clustering (via machine learning) can be used to identify problems in a supply chain. One technique that can be used is to classify lead time clusters based on their shape and pattern in relation to lead time. For example, lead times within a particular cluster can help identify a source of a problem (e.g. a particular supplier). However, due to the large size of data sets used in supply chain management, the Dynamic Time Warp (DTW) algorithm commonly used for clustering cannot be used due to its quadratic time complexity, making its use computationally prohibitive. Alternative conventional clustering algorithms (e.g., density-based, hierarchical, iterative, etc.) may not be able to handle the large data set and result in poor clustering performance. The key is to find a robust, powerful clustering technique that is capable of handling large data sets (from supply chain data). A data record can e.g. B. contain hundreds of thousands to a few hundred million data points.
Es wurde die Hypothese aufgestellt, dass die Leistung verbessert werden kann, indem die Rohdaten mit Merkmalen (z. B. Statistiken höherer Ordnung und verfügbaren Metadaten) angereichert werden. Nach iterativem Experimentieren mit verschiedenen Merkmalen und Algorithmen wurden zwei Merkmale identifiziert, die die Leistung der Clustering-Algorithmen signifikant verbesserten: Linearität (erhalten durch lineare Regressionen) und Saisonalität (erhalten durch Fourier-Transformation). Die Qualität eines Clusters wurde durch die Verwendung interner Validierungsmaße quantifiziert, die auf Basis von Ähnlichkeiten von Datenpunkten innerhalb eines Clusters und deren Unähnlichkeiten zu Datenpunkten in anderen Clustern berechnet wurden.It has been hypothesized that performance can be improved by enriching the raw data with features (e.g., higher order statistics and available metadata). After iterative experimentation with different features and algorithms, two features were identified that significantly improved the performance of the clustering algorithms: linearity (obtained by linear regressions) and seasonality (obtained by Fourier transform). The quality of a cluster was quantified using internal validation measures calculated on the basis of similarities between data points within one cluster and their dissimilarities to data points in other clusters.
Die Validierung zeigte jedoch, dass in einigen Szenarien das Clustering im vollen Merkmalsraum (z. B. wenn Daten und jedes Merkmal orthogonale Dimensionen sind) nicht wie erwartet funktionierte, da die Datenpunkte zu verrauscht oder äquidistant zueinander waren, was ein zuverlässiges Clustering erschwerte. Es wurde festgestellt, dass durch die Projektion des Datensatzes mit höherer Dimensionalität in den 2-dimensionalen Raum das Rauschen reduziert und die Clustering-Leistung in einigen Szenarien verbessert wurde, und der Ansatz wurde übernommen.However, the validation showed that in some scenarios the clustering in the full feature space (e.g. when data and each feature are orthogonal dimensions) did not work as expected because the data points were too noisy or equidistant from one another, which made reliable clustering difficult. It was found that projecting the data set of higher dimensionality into 2-dimensional space reduced the noise and improved clustering performance in some scenarios, and the approach was adopted.
Daher wurde eine recheneffiziente Clustering-Technik entwickelt, mit der potenzielle Probleme mit den Versorgungsleitungen eines Kunden identifiziert werden konnten. Angesichts der großen Datenmengen wurde festgestellt, dass herkömmliche Clustering-Algorithmen nicht standardmäßig eingesetzt werden können. Es wurde eine Clustering-Strategie entwickelt, die abgeleitete Statistiken wie Trends und Saisonalität verwendet, um die Leistung der Clustering-Algorithmen zu verbessern. Zusätzlich wurde eine Technik entwickelt, um das Rauschen der Ergebnisse durch Projektion auf den zweidimensionalen Raum zu reduzieren.Therefore, a computationally efficient clustering technique was developed that could identify potential problems with a customer's utility lines. Given the large amount of data, it has been found that traditional clustering algorithms cannot be used out of the box. A clustering strategy was developed that uses inferred statistics such as trends and seasonality to improve the performance of the clustering algorithms. In addition, a technique was developed to reduce the noise of the results by projecting them onto two-dimensional space.
Zum Beispiel können die folgenden vier Merkmale identifiziert werden: Saisonalität; aufwärts gerichtete Linearität; flache Linearität und abwärts gerichtete Linearität. Beispiele für jedes der möglichen vier Merkmale sind in
Die Daten können dann vor der Clustering-Analyse in drei Gruppen geteilt (
Das Clustering kann für jede der drei Gruppen (d. h. „spärlich“, „flach“ und „reichhaltig“) durchgeführt werden, indem eine optimale Anzahl von Clustern (
Verwendung der Clustering-ErgebnisseUsing the clustering results
Die Machine-Learning-Clustering-Analyse kann verwendet werden, um Problempunkte in der Lieferkette zu identifizieren. Wenn eine Lieferketten-Planungsplattform eine schnelle Verarbeitung von Hunderttausenden von Zeitreihen vorsieht - d.h. eine Rapid-Response-Plattform (wie oben definiert), kann ein Lieferketten-Planer Schwellenwerte in der mittleren absoluten Abweichung zwischen geplanten und historischen Vorlaufzeiten für jede Zeitreihe festlegen, was zu „Toleranz“-Zonen für jede Zeitreihe führt, und zwar in ähnlicher Weise wie oben beschrieben.Machine learning clustering analysis can be used to identify problem points in the supply chain. If a supply chain planning platform provides for the rapid processing of hundreds of thousands of time series - i.e. a rapid response platform (as defined above), a supply chain planner can set thresholds in the mean absolute deviation between planned and historical lead times for each time series, which is to be "Tolerance" zones for each time series, in a similar way as described above.
Die Cluster-Ergebnisse, die in die Lieferketten-Planungsplattform hochgeladen werden, können dann zunächst nach Toleranzzonen gefiltert werden und dann innerhalb jeder Toleranzzone nach spezifischen Lieferketten-Kennungen, wie z.B. Teile-Standort, Lieferanten-Identifikation, Bestimmungsort des Teils, Region des Lieferanten-Standorts, Transportmodus für das Teil, Trend (ob die Vorlaufzeiten nach oben, unten oder flach tendieren); und Saisonalität (ob die Vorlaufzeiten saisonal sind oder nicht).The cluster results that are uploaded to the supply chain planning platform can then first be filtered according to tolerance zones and then within each tolerance zone according to specific supply chain identifiers, such as part location, supplier identification, destination of the part, region of the supplier Location, mode of transport for the part, trend (whether lead times are trending up, down or flat); and seasonality (whether the lead times are seasonal or not).
Die Größe jedes Kästchens stellt die Anzahl der Teile im Cluster dar. Die Überschrift jedes Kästchens bezieht sich auf eine Clusterkategorie. Die Schattierung jedes Kästchens stellt die Vorlaufzeit-Abweichung dar (je dunkler die Schattierung, desto größer die Abweichung). Zum Beispiel scheint die größte Box (
Cluster (
Als nächstes gibt es in der Spalte ganz rechts drei Gruppen von Clustern (
Es gibt ein Cluster von Teilen (
Die übrigen Cluster (
Weitere Analysen können basierend auf einer Cluster-Baum-Analyse bereitgestellt werden. Dies ist in
In
Das Kreisdiagramm „Teileanzahl“ (
Gemäß Diagramm (
Ein Diagramm zum Umsatzrisiko (
Das Computer-System
Das Computer-lesbare Medium
Das Computer-System
Endbenutzergeräte
Verschiedene Ausführungsformen von Systemen, Geräten und Verfahren wurden hier beschrieben. Diese Ausführungsformen sind nur als Beispiel angegeben und sollen den Umfang der Erfindung nicht einschränken. Es sollte außerdem beachtet werden, dass die verschiedenen Merkmale der beschriebenen Ausführungsformen auf verschiedene Weise kombiniert werden können, um zahlreiche zusätzliche Ausführungsformen zu erzeugen. Darüber hinaus, während verschiedene Materialien, Abmessungen, Formen, Konfigurationen und Orte, etc. wurden für die Verwendung mit offengelegten Ausführungsformen beschrieben, andere neben den offengelegten können verwendet werden, ohne den Geltungsbereich der Erfindung zu überschreiten.Various embodiments of systems, devices, and methods have been described herein. These embodiments are given by way of example only and are not intended to limit the scope of the invention. It should also be noted that the various features of the described embodiments can be combined in various ways to produce numerous additional embodiments. Furthermore, while various materials, dimensions, shapes, configurations, and locations, etc. have been described for use with the disclosed embodiments, others besides those disclosed may be used without departing from the scope of the invention.
Fachleute der entsprechenden Fachwelt werden erkennen, dass die Erfindung weniger Merkmale umfassen kann, als in den einzelnen oben beschriebenen Ausführungsformen dargestellt sind. Die hier beschriebenen Ausführungsformen sind nicht als erschöpfende Darstellung der Möglichkeiten gedacht, in denen die verschiedenen Merkmale der Erfindung kombiniert werden können. Dementsprechend sind die Ausführungsformen keine sich gegenseitig ausschließenden Kombinationen von Merkmalen; vielmehr kann die Erfindung eine Kombination von verschiedenen einzelnen Merkmalen umfassen, die aus verschiedenen einzelnen Ausführungsformen ausgewählt sind, wie sie von Personen mit gewöhnlichem Fachwissen in der Fachwelt verstanden werden.Those skilled in the relevant art will recognize that the invention may comprise fewer features than are illustrated in the individual embodiments described above. The embodiments described herein are not intended to be an exhaustive illustration of the ways in which the various features of the invention can be combined. Accordingly, the embodiments are not mutually exclusive combinations of features; rather, the invention may comprise a combination of various individual features that emerge from various individual features Embodiments are selected as understood by those of ordinary skill in the art.
Jegliche Einbeziehung von Dokumenten durch Verweis oben ist so begrenzt, dass kein Gegenstand einbezogen wird, der der ausdrücklichen Offenbarung hierin widerspricht. Jegliche Einbeziehung durch Verweis auf die oben genannten Dokumente ist des Weiteren dahingehend beschränkt, dass keine in den Dokumenten enthaltenen Ansprüche durch Verweis hierin einbezogen werden. Jegliche Einbeziehung von Dokumenten durch Verweis ist des Weiteren dahingehend eingeschränkt, dass in den Dokumenten enthaltene Definitionen nicht durch Verweis einbezogen werden, es sei denn, sie sind hier ausdrücklich enthalten.Any inclusion of documents by reference above is limited to not include subject matter that contradicts the express disclosure herein. Any inclusion by reference to the above documents is further limited to the extent that no claims contained in the documents are incorporated herein by reference. Any inclusion of documents by reference is further restricted in that definitions contained in the documents are not included by reference unless they are expressly included here.
Für die Zwecke der Auslegung der Ansprüche der vorliegenden Erfindung ist ausdrücklich beabsichtigt, dass die Bestimmungen von Abschnitt
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent literature cited
- US 2010138264 A1 [0005]US 2010138264 A1 [0005]
- US 20180101814 A1 [0006]US 20180101814 A1 [0006]
- US 9600779 B2 [0007]US 9600779 B2 [0007]
- US 6611726 B1 [0008]US 6611726 B1 [0008]
- US 7610212 B2 [0050]US 7610212 B2 [0050]
- US 8015044 B2 [0050]US 8015044 B2 [0050]
- US 9292573 B2 [0050]US 9292573 B2 [0050]
Claims (36)
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862725345P | 2018-08-31 | 2018-08-31 | |
US62/725,345 | 2018-08-31 | ||
US16/147,311 | 2018-09-28 | ||
US16/147,311 US10832196B2 (en) | 2018-08-31 | 2018-09-28 | Analysis and correction of supply chain design through machine learning |
PCT/CA2019/051222 WO2020041901A1 (en) | 2018-08-31 | 2019-08-30 | Analysis and correction of supply chain design through machine learning |
Publications (1)
Publication Number | Publication Date |
---|---|
DE112019004261T5 true DE112019004261T5 (en) | 2021-06-24 |
Family
ID=69641350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE112019004261.0T Pending DE112019004261T5 (en) | 2018-08-31 | 2019-08-30 | Analysis and correction of the supply chain design through machine learning |
Country Status (4)
Country | Link |
---|---|
US (4) | US10832196B2 (en) |
DE (1) | DE112019004261T5 (en) |
GB (1) | GB2590856A (en) |
WO (1) | WO2020041901A1 (en) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200075167A1 (en) * | 2018-08-30 | 2020-03-05 | Regents Of The University Of Minnesota | Dynamic activity recommendation system |
US11157346B2 (en) * | 2018-09-26 | 2021-10-26 | Palo Alto Rsearch Center Incorporated | System and method for binned inter-quartile range analysis in anomaly detection of a data series |
US20200134496A1 (en) * | 2018-10-29 | 2020-04-30 | Hewlett Packard Enterprise Development Lp | Classifying parts via machine learning |
US11698628B2 (en) | 2020-03-16 | 2023-07-11 | Vitro Flat Glass Llc | System, method, and computer program product for optimizing a manufacturing process |
US12008505B2 (en) * | 2021-02-17 | 2024-06-11 | Indie Tech Limited | Methods and systems for time-variant variable prediction and management for supplier procurement |
US20220277263A1 (en) * | 2021-02-26 | 2022-09-01 | Fiix Inc. | System and method for predictive inventory |
US20230120747A1 (en) * | 2021-10-20 | 2023-04-20 | EMC IP Holding Company LLC | Grey market orders detection |
CN116993395B (en) * | 2023-09-25 | 2023-12-29 | 临沂大学 | Supply chain toughness prediction system based on machine learning |
Family Cites Families (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6611726B1 (en) | 1999-09-17 | 2003-08-26 | Carl E. Crosswhite | Method for determining optimal time series forecasting parameters |
US6496806B1 (en) | 1999-12-16 | 2002-12-17 | Samsys Technologies Inc. | Method and system for tracking clustered items |
US7212976B2 (en) * | 2001-01-22 | 2007-05-01 | W.W. Grainger, Inc. | Method for selecting a fulfillment plan for moving an item within an integrated supply chain |
US20020143604A1 (en) | 2001-02-02 | 2002-10-03 | Wisconsin Alumni Research Foundation | Method for forecasting the effects of trade policies and supply and demand conditions on the world dairy sector |
US20020138316A1 (en) * | 2001-03-23 | 2002-09-26 | Katz Steven Bruce | Value chain intelligence system and methods |
US6871201B2 (en) | 2001-07-31 | 2005-03-22 | International Business Machines Corporation | Method for building space-splitting decision tree |
US20040111304A1 (en) * | 2002-12-04 | 2004-06-10 | International Business Machines Corporation | System and method for supply chain aggregation and web services |
US8428987B2 (en) * | 2003-05-12 | 2013-04-23 | Jda Software Group, Inc. | Determining order lead time for a supply chain using a probability distribution of order lead time |
US7966208B2 (en) * | 2004-01-29 | 2011-06-21 | International Business Machines Corporation | Method for purchase order rescheduling in a linear program |
NZ533494A (en) | 2004-06-09 | 2006-12-22 | Total Comm Ltd | Dynamic business enhancement system |
US20070143156A1 (en) | 2004-11-12 | 2007-06-21 | Ciderhouse | Method and website for making travel plans |
US20070203810A1 (en) * | 2006-02-13 | 2007-08-30 | Caterpillar Inc. | Supply chain modeling method and system |
US7853466B2 (en) | 2006-09-08 | 2010-12-14 | Gm Global Technology Operations, Inc. | Supply chain facility performance analyzer |
US8494823B2 (en) * | 2008-03-06 | 2013-07-23 | International Business Machines Corporation | Method and system for determining service area of supply chain by simulating service cycle time |
US8346516B2 (en) | 2008-11-05 | 2013-01-01 | Accenture Global Services Limited | Predictive modeling |
US20100125486A1 (en) * | 2008-11-14 | 2010-05-20 | Caterpillar Inc. | System and method for determining supply chain performance standards |
US8600981B1 (en) * | 2010-12-21 | 2013-12-03 | Google Inc. | Using activity status to adjust activity rankings |
CA2779034C (en) | 2011-06-08 | 2022-03-01 | Accenture Global Services Limited | High-risk procurement analytics and scoring system |
US9281748B2 (en) * | 2012-03-02 | 2016-03-08 | Lenovo Enterprise Solutions (Singapore) Pte. Ltd. | Operating a DC-DC converter |
US10032180B1 (en) * | 2012-10-04 | 2018-07-24 | Groupon, Inc. | Method, apparatus, and computer program product for forecasting demand using real time demand |
US20140192050A1 (en) * | 2012-10-05 | 2014-07-10 | University Of Southern California | Three-dimensional point processing and model generation |
US20140122179A1 (en) * | 2012-11-01 | 2014-05-01 | Teradata Corporation | Method and system for determining long range demand forecasts for products including seasonal patterns |
US10984368B2 (en) | 2013-08-07 | 2021-04-20 | Fedex Corporate Services, Inc. | Methods and systems for managing shipped objects |
US9639818B2 (en) * | 2013-08-30 | 2017-05-02 | Sap Se | Creation of event types for news mining for enterprise resource planning |
US9953332B2 (en) | 2013-09-18 | 2018-04-24 | Simpler Postage, Inc. | Method and system for generating delivery estimates |
US10360737B2 (en) | 2014-04-02 | 2019-07-23 | Sikorsky Aircraft Corporation | System and method for improved drive system diagnostics |
MX365280B (en) | 2014-06-09 | 2019-05-29 | Sicpa Holding Sa | Creating secure data in an oil and gas supply chain. |
JP6435685B2 (en) * | 2014-07-23 | 2018-12-12 | 富士通株式会社 | Order quantity determination method, order quantity determination program, and information processing apparatus |
US20160048852A1 (en) | 2014-08-13 | 2016-02-18 | Lenovo Enterprise Solutions (Singapore) Pte. Ltd. | Predictive risk management based product procurement |
US10564316B2 (en) | 2014-09-12 | 2020-02-18 | The Climate Corporation | Forecasting national crop yield during the growing season |
US10614056B2 (en) | 2015-03-24 | 2020-04-07 | NetSuite Inc. | System and method for automated detection of incorrect data |
US11226856B2 (en) * | 2015-04-24 | 2022-01-18 | Senslytics Corporation | Methods and systems correlating hypotheses outcomes using relevance scoring for intuition based forewarning |
CA3001304C (en) | 2015-06-05 | 2021-10-19 | C3 Iot, Inc. | Systems, methods, and devices for an enterprise internet-of-things application development platform |
SG10201911995VA (en) | 2015-06-11 | 2020-02-27 | Thomson Reuters Global Resources Unlimited Co | Risk identification and risk register generation system and engine |
US10592817B2 (en) * | 2015-07-13 | 2020-03-17 | International Business Machines Corporation | Parameter-dependent model-blending with multi-expert based machine learning and proxy sites |
US9699205B2 (en) * | 2015-08-31 | 2017-07-04 | Splunk Inc. | Network security system |
US20170124495A1 (en) * | 2015-11-04 | 2017-05-04 | Tata Consultancy Services Limited | Method and system for mitigating risk in a supply chain |
CN109643085B (en) * | 2016-08-23 | 2022-05-10 | 埃森哲环球解决方案有限公司 | Real-time industrial plant production prediction and operational optimization |
US20200110196A2 (en) | 2016-09-19 | 2020-04-09 | Instituto Tecnológico De Aeronáutica - Ita | Decision-making support method for issuing warnings and selection of mitigation actions parameterized by weather-climate decision index based on user preferences |
CA2981748A1 (en) * | 2016-10-12 | 2018-04-12 | Wal-Mart Stores, Inc. | Dynamic supply chain management systems and methods |
US10530666B2 (en) * | 2016-10-28 | 2020-01-07 | Carrier Corporation | Method and system for managing performance indicators for addressing goals of enterprise facility operations management |
US10248713B2 (en) | 2016-11-30 | 2019-04-02 | Business Objects Software Ltd. | Time series analysis using a clustering based symbolic representation |
US10783569B2 (en) | 2016-12-20 | 2020-09-22 | Facebook, Inc. | Method, media, and system for cluster pruning of item listings |
US10216829B2 (en) * | 2017-01-19 | 2019-02-26 | Acquire Media Ventures Inc. | Large-scale, high-dimensional similarity clustering in linear time with error-free retrieval |
US10949807B2 (en) * | 2017-05-04 | 2021-03-16 | Servicenow, Inc. | Model building architecture and smart routing of work items |
US20190095842A1 (en) * | 2017-09-25 | 2019-03-28 | SurfaceOwl, Inc. | High-input and high-dimensionality data decisioning methods and systems |
US10776760B2 (en) * | 2017-11-17 | 2020-09-15 | The Boeing Company | Machine learning based repair forecasting |
JP6984370B2 (en) * | 2017-12-06 | 2021-12-17 | 横河電機株式会社 | Production support system, production support method and program |
US11151496B2 (en) * | 2018-02-19 | 2021-10-19 | Target Brands, Inc. | Parallel lead time determinations in supply chain architecture |
CN110503225B (en) | 2018-05-17 | 2024-05-03 | 株式会社日立制作所 | Order dispatching and distributing method |
US10846651B2 (en) * | 2018-08-31 | 2020-11-24 | Kinaxis Inc. | Analysis and correction of supply chain design through machine learning |
CN109740624B (en) * | 2018-11-22 | 2022-12-27 | 重庆邮电大学 | Logistics supply chain demand prediction method based on big data |
-
2018
- 2018-09-28 US US16/147,311 patent/US10832196B2/en active Active
-
2019
- 2019-08-30 DE DE112019004261.0T patent/DE112019004261T5/en active Pending
- 2019-08-30 WO PCT/CA2019/051222 patent/WO2020041901A1/en active Application Filing
- 2019-08-30 GB GB2102941.8A patent/GB2590856A/en not_active Withdrawn
-
2020
- 2020-10-01 US US17/060,225 patent/US11188856B2/en active Active
-
2021
- 2021-09-27 US US17/485,781 patent/US11748678B2/en active Active
-
2023
- 2023-06-15 US US18/335,570 patent/US20230325743A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2020041901A1 (en) | 2020-03-05 |
US11188856B2 (en) | 2021-11-30 |
US20230103269A2 (en) | 2023-03-30 |
US20220101234A1 (en) | 2022-03-31 |
US20210089989A1 (en) | 2021-03-25 |
GB2590856A (en) | 2021-07-07 |
US11748678B2 (en) | 2023-09-05 |
US20200074370A1 (en) | 2020-03-05 |
GB202102941D0 (en) | 2021-04-14 |
US20230325743A1 (en) | 2023-10-12 |
US10832196B2 (en) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE112019004260T5 (en) | ANALYSIS AND CORRECTION OF THE SUPPLY CHAIN DESIGN THROUGH MACHINE LEARNING | |
DE112019004261T5 (en) | Analysis and correction of the supply chain design through machine learning | |
DE10311311A1 (en) | Calculation of price elasticity | |
DE102004023265A1 (en) | Determine an order lead time for a supply chain using a probability distribution for expected order lead time | |
DE112015003406T5 (en) | Datenherkunftssummierung | |
DE202010017612U1 (en) | Improved genetic algorithm with multiple targets for component design optimization | |
CH703073B1 (en) | Comparing models a complex system. | |
CH703081B1 (en) | Analysis of a model of a complex system. | |
DE10239292A1 (en) | Conflict detection and resolution in connection with a data assignment | |
DE102012100113A1 (en) | Method, software and computer system for handling accumulated data | |
CH698890B1 (en) | Modeling a complex system. | |
DE112021000627T5 (en) | DYNAMIC DETECTION AND CORRECTION OF DATA QUALITY PROBLEMS | |
DE112021000645T5 (en) | Method and system for optimizing a discrete constraint target | |
DE112021004958T5 (en) | SCALABLE MODELING ON LARGE COLLECTIONS OF TIME SERIES | |
DE102018000039A1 (en) | Bundling online content fragments for presentation based on content-specific metrics and intercontinental constraints | |
DE102021006293A1 (en) | Determination of digital personas using data-driven analytics | |
EP3139274B1 (en) | Method for determining a net lead time between process stages of a process instance | |
EP3812949A1 (en) | Configurable digital twin | |
EP3139273B1 (en) | Method for determining parallel process paths in process data | |
DE102014116117A1 (en) | Method and system for mining patterns in a data set | |
DE112021005868T5 (en) | FEDERAL LEARNING FOR A MULTI-LABEL OIL PUMP MANAGEMENT CLASSIFICATION MODEL | |
EP3139272A1 (en) | Method for efficient analysis of process data | |
DE102008058016A1 (en) | System and method for computer-based analysis of large amounts of data | |
DE112016002709T5 (en) | Assistance device for multi-dimensional data analysis | |
DE112021000081T5 (en) | Systems, methods and devices for hierarchical predictions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R082 | Change of representative |
Representative=s name: GRUENECKER PATENT- UND RECHTSANWAELTE PARTG MB, DE |
|
R016 | Response to examination communication |